cours 11

Question 1

c’est quoi l’intelligence artificielle

Answer 1

Développement de systèmes et de machines intelligents capables d’effectuer des tâches qui nécessiteraient autrement l’intelligence humaine.

Question 2

Apprentissage machine (ML)
c’est quoi

Answer 2

-Sous-catégorie de l’AI.
-Création d’algorithmes capables d’apprendre à partir des données fournies et de prendre des décisions en fonction des modèles observés dans ces données.

–>changement de comportement à partir d’apprentissage

Question 3

Apprentissage profond (DL)
c’est quoi

Answer 3

-Sous-catégorie supplémentaire du ML.
-Il utilise un réseau neuronal artificiel pour traiter les données à travers différentes couches d’algorithmes et parvenir à une décision précise sans intervention humaine.

Question 4

applications générales de l’apprentissage machine

Answer 4

1.language translation
2.diagnostique medical
3.stock market trading
4.detection de fraude
5.personal assistant
6.spam filtering
7.auto qui se conduisent tt seule
8.recommendation de produits
8. prédiction de trafique
10. speech recognition
11.image recognition

Question 5

l’apprentissage machine définition et importance

Answer 5

Définition: branche de l’intelligence artificielle qui permet aux ordinateurs d’apprendre à partir de données sans être explicitement programmés.

Importance: outils puissants pour analyser et comprendre les comportements humains.
–>identifier des schémas comportementaux complexes
–>prédire les comportements futurs en fonction de variables psychologiques pertinentes
–>d’automatiser des tâches telles que l’analyse de textes pour extraire des informations sur les sentiments ou les émotions des individus.

–. pk utiliser machine et pas humain
→ pour compenser à nos lacunes
–. permet de prédire comportements fuurs comme pex prédire cpt selon score dans test de personnalité
→ permet d’analyser textes pour extraire infos sur sentiments → patrons d’écriture dans lettres de suicide pour identifier langage utilisé dnas ces moments afin de pt prévenir et identifier

Question 6

fondements de l’apprentissage machine le processus

Answer 6

1.design experimental
2.collecte et prep de donnees
3.entrainement model
4.évaluation de performance
5.optimisation de perfo

Question 7

types d’apprentissage machine

Answer 7

1.L’apprentissage supervisé: utilisation de données étiquetées pour entraîner un modèle à prédire des résultats futurs
–> scores de tests cognitifs et des diagnostics cliniques, tandis que le modèle pourrait être formé pour prédire le diagnostic d’un individu en fonction de ses performances aux tests

2.L’apprentissage non supervisé: trouver des schémas ou des structures cachées dans les données sans utiliser d’étiquettes préexistantes.
–>regrouper des individus en fonction de caractéristiques similaires, ou découvrir des relations entre différentes variables comportementales sans aucune orientation préalable

3.L’apprentissage par renforcement: un agent apprend à prendre des décisions en interagissant avec un environnement.
–>L’agent effectue des actions, et en fonction de ces actions, l’environnement fournit des retours sous forme de récompenses ou de pénalités.
–>L’objectif de l’agent est d’apprendre une politique qui maximise la récompense cumulative au fil du temps.

Question 8

ex d’apprentissage supervisé et nn supervisé
voir slide 13

Question 9

Apprentissage Machine: Collecte et préparation des données

Answer 9

Sources des données: des études de laboratoire, des enquêtes en ligne, des données biométriques et des enregistrements comportementaux

Nettoyage et préparation des données:
–>valeurs aberrantes ou manquantes
–>la normalisation des données pour les mettre à la même échelle (e.g.likert 5 vs 7)
–>la conversion des variables catégorielles en formats appropriés pour l’analyse
–>divisées en ensembles d’entraînement et de test pour évaluer la performance des modèles
——>éviter le surajustement, où un modèle s’adapte trop bien aux données d’entraînement mais ne généralise pas bien aux nouvelles données

Question 10

La régression linéaire

Answer 10

modèle prédictif

La régression linéaire: plus simples et plus utilisés en psychologie pour prédire une variable continue en fonction de variables indépendantes.

Relation entre la variable cible (ou dépendante) et les variables prédictives (ou indépendantes) est modélisée comme une fonction linéaire.

e.g. prédire les notes d’un élève en fonction de facteurs tels que le temps passé à étudier, le nombre d’heures de sommeil, etc.

Obtenir une équation qui minimise l’erreur entre les valeurs prédites et les valeurs observées, ce qui permet de faire des prédictions sur de nouvelles données.

y = β0 + β1x + ε

–>similairement au cond class et opérant les modeles en app machine nous permettent de faire des prediction

créer model/équation pour prédire résultat par rapport au nb dheures d’étude

par contre… y’a une grande intervalle genre si t’a étudié 50 heures (milieu) ty peux avoir entre 80 et 60 %… donc le but c’est trouver l’équation qui minimise cet écart

→ but de la régression c’est de trouver le coefficient de chacun de ces beta pour minimiser l’erreur entre prédiction et donnée réelle

Question 11

La descente du gradient

Answer 11

modèle prédictif

représentation 3d des valeurs possibles de l’erreur de prédiction

→ descente du gradient –. algorithme d’optimisation

–>L’objectif est de trouver les bêtas qui minimisent l’erreur de prédiction.
La descente du gradient effectue cette opération.

→ la représentation montre ou on s’approche le plus de la donnée optimale qui est en bas

Question 12

La classification

Answer 12

modèle prédictif

-largement utilisé en psychologie, mais qui s’applique lorsque la variable cible est catégorique

-L’objectif de la classification est d’assigner des étiquettes ou des catégories à des données basées sur leurs caractéristiques.
–>E.g. étude sur les troubles de l’humeur, un individu est atteint de dépression ou non en fonction de variables telles que les scores de tests psychologiques, les antécédents familiaux, etc.
—->les arbres de décision, les machines à vecteurs de support (SVM), et les réseaux de neurones artificiels.

-Ces méthodes sont entraînées sur des ensembles de données étiquetées afin de construire des frontières de décision pour séparer les différentes classes

ex: alice a bcp fait d’étude et a bcp dodo

bob pas bcp work bcp sleep

carole full work pas bcp sleep

la on veut prédire daniel il va se trouver où

→ rouge ils ont pas passé et vert ils ont passé exam
→ quelles sont les chnaces quil passe exam

Question 13

types de classification

Answer 13

1. classification binaire
   (2 classes)

2.classification multi-classe
(plus de deux classes)

Question 14

Clustering

Answer 14

modèle prédictif

Clustering
-former des groupes de points de données homogènes à partir d’un ensemble de données hétérogènes.

-Il évalue la similarité en fonction d’une métrique (distance euclidienne, similarité cosinus, distance de Manhattan, etc.)
et regroupe ensuite les points ayant le score de similarité le plus élevé ensemble.

–. apprentissage non supervisé –. non étiqueté

pas de variable cible, le modèle créé des regroupements

Question 15

types de clusters

Answer 15

1. clusters circulaires (legit un cercle de données rapprochées)
2. clusters non-circulaire

Question 16

Matrice de confusion

Answer 16

modèle prédictif
voir slide 24

ne des mesures le plus intuitives et faciles a utiliser pour determiner la correction et exactitude du model

→ pas une mesure de performance en tant que tel
→ à gauche a deux classe

ex 1: prédiction du cancer
→ 10 fois sur 70 le model a dit que la personne avait cancer quand lele avait pas
→ 60 fois sur 70 la personne avait pas le cancer et le model a dit quelle avait pas le cancer (donc bonne prédiction)
–. 23 fois sur 30 qqun qui avait réellement cancer a été diagnostiqué (bonne prédiction)
–. 7 fois sur 30 personne a pas été diagnostiquée mais l’avait

ex2: plusieurs classes
→ en montrant au model image de lion combine de fois did he get it right → 71 fois sur 74
poisson: 24 fois sur 29

nous montre a quel point on a bien prédit par rapport aux données réelles

Question 17

Matrice de confusion: Spécificité et Sensibilité

Answer 17

critères de sensibilité: ex: à quel point c’est important de déceler le cancer quand s’en est un
–. à quel point model détecte le cancer quand il est la → trouver le plus possible

vs

critère de spécificité: a quel point ça dérange pas trop de dire que qqun a le cancer quand en réalité elle en a pas
→ faux positifs, a quel point il détecte ce quil devrait pas détecter, donc a quel point il généralise trop

Question 18

apprentissage machine:Évaluations des performances

Answer 18

une fois que le model prédictif a été entrainé faut évaluer sa performance

But: déterminer à quel point il est efficace pour faire des prédictions sur de nouvelles données.

Mesures utilisées pour évaluer la performance des modèles:
–>précision, le rappel, le F1-score, les courbes ROC, etc.
–>En combinant ces différentes métriques, peuvent évaluer la robustesse et l’efficacité des modèles prédictifs pour différentes applications et contextes.

Analyser des données complexes et faire des prédictions utiles sur le comportement humain, ouvrant ainsi de nouvelles avenues de recherche et d’intervention dans ce domaine.

Question 19

Évaluations des performances
Sur-ajustement vs
Sous-ajustement

Answer 19

Sur-ajustement (Overfitting)
Le modèle est trop complexe par rapport à la quantité de données disponibles, ou lorsqu’il est entraîné pendant trop longtemps.
sur-ajustement: capture trp précisément les détail alors moins performant lorsque confronté a de nouvelles données donc pas capable de généraliser, donc est trop performant avec les données d’entrainement et ensuite pas vrm bon avec les données de test ou d’évaluation
→ model entrainé pendant trop longtemps
→ ex: photos d’arbres il est cpabale de les identifier chaque fois mais ensuite quand on montre photos similaires a celles qui ont été utilisés pour entraînement il est pas capable
–. deficience dans généralisation
–. model trop complexe

Sous-ajustement (Underfitting)
Le modèle est trop basique ou lorsqu’il n’est pas entraîné suffisamment longtemps pour capturer les tendances dans les données.
sous-ajustement: perfo médiocre dans entrainement et avec les nouvelles données
–. modele parvient pas à saisir relation importantes entre variables et à généraliser a nouvelles données
–. model soit trop de base ou pas assez entraîné
–. série d’arbres et il a pas extrait assez de caractéristique genre il prend juste que arbre c’est un et vert alors toute image avec brun et vert c’est un arbre

→ robuste peut bien discriminer et généraliser
→ équilibre de complexitÉ

Question 20

Évaluations des performances: Séparation des données

Answer 20

en pratique, détecter le sur apprentissage c’est difficile
–. c’est seulement en confrontant le model a de nouvelles données quon peut s’assurer que tout fonctionne bien

→ diviser ensemble de données en trois grande parties
–. ensemble d’entrainement, ensemble de validation, ensemble de testage
–. plus on a un grand ensemble de données, plus on peut entrainer correctement ou donner instances ou model peut apprendre carct.

Question 21

Évaluations des performances: Validation croisés

Answer 21

validation croisée
–. diviser en trois
entrainement, validation et test final

–. on va créer copies de données et on va faire en sorte que dans premier test on utilise seulement les premier 20% de données comme validation donc on test avec 2345 et on valide avec 1
ensuite 1345 et on valide avec 2

voir image

avec toutes ces données on essaye de créer model le plus optimal sinusite on va faire un test final avec des données que le model a jamais vu

Question 22

apprentissage machine pour Analyse de sentiment et classification de textes:

Answer 22

d’identifier et de classer les opinions, les émotions et les attitudes exprimées dans un texte.

analyser les réponses des participants à des questionnaires ou à des entretiens, ainsi que pour examiner les interactions sur les réseaux sociaux ou les forums en ligne.

E.g., les chercheurs peuvent utiliser l’analyse de sentiment pour évaluer les réactions émotionnelles des participants à un programme de thérapie ou pour surveiller les tendances et les attitudes dans la population concernant des questions de santé mentale.

Question 23

apprentissage machine pour Prédiction de comportements basés sur des données observationnelles

Answer 23

prédire les comportements futurs en se basant sur des données observationnelles sur le comportement passé.

E.g., les chercheurs peuvent utiliser des modèles prédictifs pour anticiper les rechutes chez les personnes souffrant de troubles mentaux ou pour prédire les risques de comportements addictifs basés sur des données de suivi longitudinales.

→ peut etre utilisé pour mettre en place interventions préventives ciblées ou pour fournir un soutien supplémentaire aux individus à risque

Question 24

apprentissage machine pour Modèles de recommandation pour l’apprentissage personnalisé

Answer 24

utilisés pour fournir un contenu éducatif ou thérapeutique personnalisé en fonction des besoins individuels des apprenants ou des patients.
–>E.g., suggérer des exercices ou des activités spécifiques pour renforcer les compétences cognitives chez les personnes atteintes de troubles neurodéveloppementaux, ou recommander des ressources pédagogiques adaptées au style d’apprentissage d’un étudiant spécifique.
–>optimiser l’efficacité des interventions en fournissant un soutien individualisé et en répondant aux besoins uniques de chaque individu.

Question 25

Réseaux de neurones ça fait quoi

Answer 25

Apprentissage profond:

Réseau de neurones profonds

Multiples couches de neurones interconnectés.
–>Effectuant chacune des opérations de transformation.
–>Pour la transmettre à l’autre.

Capacité d’apprendre des représentations
–>hiérarchiques des données caractéristiques complexes et abstraites à différents niveaux d’abstraction.

→ apprentissage particulierement efficace pour donnees complexes et non structurees comme images, son texte et videos

→ chaque couche traite les infos pour transmettre a l’autre

ex: ici on voit genre un neurone qui fait fonction de regression sur variable temps sommeil et etude et donc ça a fait une certaine transformation et va transm,ettre à la couche suivante

Question 26

réseaux de neurones structure

Answer 26

1.La couche d’entrée:
-Première couche du réseau et elle reçoit les données brutes en entrée.
–>Pixel de l’image peut être considéré comme une unité d’entrée.

2.Les couches cachées:
-Intermédiaires entre la couche d’entrée et la couche de sortie.
-Extraction des caractéristiques des données en effectuant des transformations non linéaires.
ex: esque y’a du brun, du vert, des lignes verticale (dont esque c’est un arbre ou mm plus loins esque c’est un conifère)
→ plus de couche = plus nuancé et plus complexe

La couche de sortie:
-Dernière couche du réseau et elle produit les prédictions ou les résultats du modèle.
–>Classification: la couche de sortie peut avoir des neurones correspondant à chaque classe possible.
ex: dans tache de classification la couche de sortie peut avoir neurones qui correspondent a chaque classe comme pas un arbre, connifère. feuillu etc

Question 27

Rétropragation

Answer 27

dans apprentissage profond

Propagation avant:
Les données d’entrée sont propagées à travers le réseau, couche par couche, en effectuant des calculs de pondération et de biais. Les prédictions du modèle sont obtenues à partir de la sortie de la couche de sortie.

Calcul de l’erreur:
L’erreur du modèle est calculée en comparant les prédictions du modèle avec les valeurs réelles des données d’entraînement à l’aide d’une fonction de perte.

Rétropropagation de l’erreur:
L’erreur est propagée en arrière à travers le réseau, de la couche de sortie à la couche d’entrée, afin de calculer les gradients de perte par rapport aux poids et aux biais de chaque neurone.
→ en utilisant algorithmes d’optimisation genre descente de gradient
→ ex: si apres avoir analysé toutes les données on réalise que les h de sommeil sont plus importantes que les heures d’étude ça peut venir changer le poids donc 10h de sommeil est equivalent a 20 h d’étude → donc on va venir ajuster les données

Mise à jour des poids:
Les poids et les biais du réseau sont ajustés dans la direction qui minimise la fonction de perte, en utilisant des algorithmes d’optimisation tels que la descente de gradient stochastique.

Question 28

Apprentissage profond: Architecture de réseau

Answer 28

1.Réseaux de neurones convolutifs (CNN) :
-Utilisés pour la vision par ordinateur, les CNN sont composés de couches de convolution et de sous-échantillonnage qui permettent d’extraire des caractéristiques spatiales des images.
–>traitement d’image

2.Réseaux de neurones récurrents (RNN):
-Utilisés pour le traitement de séquences, les RNN sont capables de traiter des données séquentielles en conservant une mémoire à court terme grâce à des boucles récurrentes.
–>traitement de séquence comme le langage naturel et les séries temporelles

3.Transformers:
-Une architecture de réseau plus récente, utilisée principalement pour le traitement du langage naturel, les transformers sont basés sur des mécanismes d’attention qui permettent au modèle de focaliser son attention sur différentes parties de la séquence d’entrée.
–>traitement du langage naturel un peu comme chat gpt

Question 29

Grands modèles de langage (LLM)

Answer 29

apprentissage profond –> transformer

Entraînés à prédire le mot suivant un texte fourni en entrée.

Permet de développer une riche interaction avec l’utilisateur et de synthétiser de l’information à partir d’un grand corpus de texte.

genre chat gpt

Ces modèles ont encore de la difficulté avec les tâches de théorie de l’esprit demandant une prise de perspective.
–>il manque la touche humaine

Mais ils présentent des performances très supérieures aux tests de QI, peuvent passer les examens du barreau et des examens très avancés en médecine.

Question 30

Biofeedback

Answer 30

apprentissage profond

-Méthode thérapeutique qui permet à une personne de recevoir en temps réel des informations sur des paramètres physiologiques
–>la fréquence cardiaque, la tension artérielle, la température corporelle, l’activité cérébrale, etc.

-Ces informations peuvent être utilisées pour apprendre à contrôler ces paramètres de manière consciente, souvent dans le but d’améliorer la santé ou les performances

–. qqun ex qui a phobie des chiens et qui veut avoir traitement basé sur coping des émotions, on pourrait le plugger pour lui montrer la sudation, les parties du cerveau solicité et a travers la thérapie voir comment ces paramètres changent, donc donne un feedback

→ ex: qqun qui médite peut voir cest quoi qui se passe

Question 31

étude sur l’application du biofeedback

Answer 31

application du biofeedback

–. demande a une serie de personnes leur niveau de peur par rapport a ces photos la (chat vs coquerelle) et il les a ensuite associé à des données obtenues avec le bio feedback

–. plus on a peur, plus de sudation,
–. donc model apprend ok quand peur y’a sudation et model peut aussi apprendre a voir c’est quand que y’a peur en voyant le data genre heart rate, régions du cerveau activées etc